KI-gestützte Ticketklassifikation auf Raspberry Pi

Problemstellung

In kleinen und mittleren Unternehmen (KMU) werden Support-Tickets häufig manuell klassifiziert und priorisiert – ein Prozess, der Zeit kostet und fehleranfällig ist. Verzögerungen, inkonsistente Bewertungen und steigende Supportkosten sind die Folge. Komplexe Cloud-Lösungen sind für KMU oft ungeeignet – sei es aus Datenschutzgründen oder wegen hoher Lizenzkosten. Stellen Sie sich vor: Tickets werden automatisch priorisiert, bevor Sie Ihren Kaffee fertig haben. Aus meiner Erfahrung im IT-Support weiß ich, wie frustrierend manuelle Prozesse sein können – genau hier setzt meine Lösung an. Was wäre, wenn dieser Prozess in Millisekunden erledigt wäre – ohne Cloud, ohne Risiko? Diese Diplomarbeit zeigt, wie ein lokal betriebenes KI-System auf Raspberry Pi 5 genau das möglich macht: kostengünstig, datenschutzkonform und praxisnah.

Ergebnisse

Die Lösung basiert auf klassischen Machine-Learning-Verfahren wie TF-IDF, Naive Bayes und Logistic Regression. Sie erreicht 94 % Genauigkeit für Kategorien und 85 % für Prioritäten bei einer durchschnittlichen Antwortzeit von nur 16 ms. Performance-Highlights:

• Fehlerquote: 0 % im 24h-Dauerbetrieb
• Lokaler Betrieb ohne Cloud – volle Datenhoheit Mir war wichtig, nicht nur eine theoretische Lösung zu entwickeln, sondern ein System, das unter realen Bedingungen stabil läuft. Kurz gesagt: KI-Leistung auf kleinstem Raum – und das ohne externe Dienste.

Besonderheiten

• Lokale Datenhoheit – keine Cloud, volle Kontrolle
• Datenschutzkonform und Zugriffsbeschränkung im LAN
• Selbstlernender Mechanismus für kontinuierliche Verbesserung
• Energieeffizient und wartungsarm durch Raspberry Pi 5
• Hardware: Edge AI auf Raspberry Pi 5 mit SSD, OLED-Display und Kühlung Ich habe bewusst auf lokale Verarbeitung gesetzt, weil Datenschutz und Kontrolle für KMU entscheidend sind.

Ziele

• Automatisierte Ticketklassifikation und Priorisierung
• Hohe Genauigkeit bei minimalem Ressourcenverbrauch
• Lokaler Betrieb ohne externe Dienste
• Skalierbare Lösung für KMU
• Reduzierung manueller IT-Support-Aufwände

Technische Basis

Die Lösung nutzt Machine-Learning-Verfahren wie Naive Bayes und Decision Trees, optimiert für Edge-Computing. Hardware: Raspberry Pi 5 mit Pironman Gehäuse, 

SSD (Fanxiang S500 Pro NVMe M.2 256 GB), LAN-Anbindung, OLED-Display.

Mehrwert für KMU

• Spart Zeit und reduziert Fehlerquoten
• Einheitliche Klassifikation für bessere Servicequalität
• Keine laufenden Lizenzkosten – wirtschaftlich und nachhaltig
• Datenschutz durch lokale Verarbeitung
• Steigerung der Kundenzufriedenheit durch schnellere Reaktionszeiten Diese Arbeit ist für mich mehr als ein Projekt – sie zeigt, wie sich meine Leidenschaft für KI und sichere IT-Systeme in eine praxisnahe Lösung umsetzen lässt.

Zukfuntausblick

• Integration in Helpdesk-Systeme für nahtlose Abläufe
• Mehrsprachige Ticketklassifikation für internationale Teams
• Dashboard für Echtzeit-Analysen und Monitoring
• Erweiterte Priorisierungslogik basierend auf betroffenen Nutzergruppen

Und das Beste daran? Diese Lösung zeigt, wie KI auch ohne teure Infrastruktur in KMU eingesetzt werden kann – schnell, sicher und effizient. Die Frage ist: Sind Sie bereit, den IT-Support neu zu denken?

Edge AI Hardware & Setup

/

Moderne IT-Sicherheit und intelligente Automatisierung schließen sich nicht aus, sie ergänzen sich perfekt. Dieses Projekt zeigt, wie KI-gestützte Systeme in der Praxis effizient, sicher und ohne Cloud umgesetzt werden können.